近年来,人工智能的热潮让机器学习再次回归,大量应用在光网络和光通信的各个方面,成为研究的热点。机器学习凭借能够解决耗时的复杂分类或回归问题的优势,被提出作为一个新的思路去评估光路的传输质量,以获得高精度的光路传输质量评估结果。目前,大量研究提出光路传输质量是否达到设定阈值的机器学习分类器,对构建光纤链路传输质量评估器具有启发作用。本文围绕改进机器学习在光纤链路传输质量的评估模型和评估方法,进行了深入的研究,主要研究工作如下:1.基于机器学习算法的光纤链路传输质量的多分类器研究。由现有评估光路传输质量的二分类器固有局限性带来的启发,以及实际光纤链路需要不同级别的传输质量,提出基于机器学习算法的多分类器以评估光纤链路传输质量。多分类器实现传输质量的多分类,传输数据时可连接不同需求的链路。通过多分类指标评估多分类器的性能,结果证实基于机器学习算法的多分类器拥有好的评估性能,多种多分类指标分数均达到0.90以上,最好的多分类器分数达到0.97以上。2.基于机器学习算法的光纤链路传输质量的回归器研究。针对分类器的缺点和目前回归器的研究甚少的问题,提出一种改进的回归器。传输质量指标改进为实际误码率与预测误码率的差值。通过差值的正负,与数值0之间的距离,掌握与阈值传输质量的距离,方便对光纤链路配置进一步的改进。引入六种经典机器学习算法根据两种抽样方法建立回归器。根据回归指标,结果显示回归器拥有好的回归性能,指标RMSE的分数均低于0.1。3.基于迁移学习辅助的机器学习光纤链路传输质量多分类器研究。针对机器学习复杂的学习流程,提出在具有相关性的光通信系统中,利用迁移学习的方法来解决传输质量评估的问题。使用三个来自有相关性的光通信系统数据集,分别采用三种思路训练基于机器学习算法的多分类器。根据多分类的性能指标,结果显示迁移学习辅助并微调参数的机器学习模型能够利用较少的数据就能得到高性能,减少不同光通信系统的数据处理时间,提高研究效率。本文提出的机器学习算法多分类器,改进回归器和迁移学习辅助的机器学习多分类器有望在实际应用中高性能评估光纤链路传输质量,快速提供性价比高的链路,缓解缺乏大容量网络的窘迫,为以后的动态光通信网络发展做铺垫。